GAN李宏毅(1)
目录
3.1用encode-decode网络的decode代作为生成器
4.2判别器本身就很容易得到总体的结构信息,因为是把高维的变成低维的
GAN的种种变形的收集
课程内容
1基本概念
1.1核心问题
1.2算法
1.3结果——遍历的创造力
2GAN 是一种结构学习
2.1分类、回归、结构学习
2.2 结构学习的难度
2.3传统解决这个问题的方法
3generator自己学会怎么样
3.1用encode-decode网络的decode代作为生成器
3.2这种方式的问题
在随机数的连续性上有问题
3.3VAE解决这个问题
编解码的中间加了噪音,decode更加稳定
这里的sigema对结果是有干扰的,不过我们不能让它太小
3.4仍然没有考虑的问题
高维度的图像的分布是低维的,所以可以降维度。
什么叫做越像越好——逐像素比较不够
网络架构中很难融入部件之间的关系,输出层很难互相配合,只能多加层
用编解码网络需要更多的层来得到与GAN类似的结果
生成器生成的蓝色的点效果之所以不好,是因为难学到x1x2的关系
4discriminator自己学会怎么样
4.1这些函数都可以作为判别器
4.2判别器本身就很容易得到总体的结构信息,因为是把高维的变成低维的
生成时是逐像素生成的难以判别逐像素的信息,而判别器是从上向下的,容易获取结构信息